AIREITERPika H3 Flexは、音声付きの短いAI動画を素早く試行錯誤するための、現時点で最も実用的な選択肢のひとつです。ただし、「15秒の動画を7秒で生成」という触れ込みが示すのは、あくまでTransformerの計算時間だけ。実際のクリップ生成には、ローカル環境なら数分、ホスト型APIでも1分未満かかります。また、768pを超える出力は有料APIに限られます。
「7秒生成」の意味を正しく理解する
7秒という数字は、Pika内部のクラスタでDiffusion Transformerだけを計算した時間です。エンドツーエンドの生成時間ではありません。Pikaの技術分析でも、サーバー上の数値を説明する際にこの区別が示されています。実際の処理には、テキストエンコード、VAEデコード、音声の統合、データ転送、キュー待ちが加わります。ホスト型APIなら全工程で1分未満、一般的なコンシューマーGPUでローカル実行するなら数分を見ておくべきです。
Pikaの報告では、音声付き768p・5秒クリップを8基のB300 GPUで処理した場合、サーバー計算時間は最適化前が3.409秒、最適化後が2.129秒でした。サーバー処理の高速化率は1.60倍です（出典）。一方、kie.aiの解説は、768p・15秒クリップを7秒で生成できるという数字を、APIのレイテンシーや一般的なGPUの性能として受け取るべきではないと明記しています。
実ユーザーの検証でも、この差ははっきり出ています。複数のテスト結果をまとめた検証では、RTX 5090が6ステップで10秒のクリップを約4分55秒で生成しました。標準設定では20分34秒かかる一方、画質はほぼ変わらなかったとされています。RTX 4070では、5秒の動画に約7分11秒かかりましたが、音声は明らかに改善しました。6ステップ化により、教師モデルの50ステップと比べてサンプリング回数はおよそ8分の1。同じGPUでの実測では、壁時計時間もおよそ3〜4分の1になっています。デスクトップ上でリアルタイムを超えるわけではありませんが、試行錯誤を速める効果は本物です。
Pika H3 Flexの正体
Pika H3 Flexは、新しい動画アーキテクチャではありません。MiniMax H3を追加学習したモデルで、2種類のLoRAアダプターとして配布されています。Pikaは教師モデルの50ステップ設定でMiniMax H3を社内の音声・動画データセットに対してファインチューニングし、標準のDMDが不安定だったため、projected distribution matching（PDMD）を使って6ステップまで蒸留しました。その後、見た目の品質にはReFLによる報酬学習、指示追従にはDPOを適用しています（Pikaの研究解説）。Pikaの発表では、プロ向けの反復作業に適した、より高速で制御しやすいH3派生モデルと位置付けられています。公式ローンチスレッドによれば、初日からオープンウェイトとして公開されました。
ローカル環境で利用できる仕様は次のとおりです。
| 項目 | Pika H3 Flexのローカル仕様 |
|---|---|
| ベースモデル | MiniMax H3（33Bのオムニ動画・音声モデル） |
| 形式 | 2種類のLoRA：FL2VA + Ref2VA（各2.77 GBのFP32、ComfyUIビルドでは各1.96 GBのBF16） |
| サンプリング | 6ステップ、lcmサンプラー、手動シグマスケジュール |
| 解像度 | 480pまたは768p、21:9から9:21まで11種類のアスペクト比 |
| 動画時間 | 24fpsで5〜15秒（5秒＝124フレーム、15秒＝362フレーム） |
| 音声 | 32 kHzステレオをMP4に統合 |
| プロンプト長 | 1〜8,000文字 |
| 公開日 | 2026年10月29日、初日からオープンウェイト |
Pikaのアダプターは標準のMiniMax H3ベースファイルに追加して使います。そのため、すでにH3環境がある場合は2つのLoRAをダウンロードするだけで済みます。H3を初めて使う場合は、ベースファイル約210 GBに加えて、アダプター5.5 GB程度を確保してください（容量の内訳）。Hugging Faceのモデルリポジトリにはウェイト、サンプル、ライセンスが用意されており、Diffusersの統合ドキュメントでは、2種類のアダプターと6ステップのパイプラインを説明しています。
FL2VAとRef2VA、用途に合うアダプターはどちらか
FL2VAとRef2VAは、MiniMax H3にある2つのTransformerブランチに対応しています。ワークフローだけでなく、ベースチェックポイントとの組み合わせも正しく選ばなければなりません。初期のガイド、たとえばComfyUIセットアップ解説で最も多い失敗が、LoRAとベースモデルの組み合わせ間違いです。
| アダプター | 入力 | 用途 | 組み合わせるベース |
|---|---|---|---|
| FL2VA | テキスト、任意で最初と最後のフレーム | テキストから動画、画像から動画、始端フレーム、終端フレーム、始端・終端フレーム | minimax_h3_fl2va_pruned_int8_convrot |
| Ref2VA | テキストと、順序付けした画像・動画・音声の参照素材 | 参照から動画、モーション転送、キャラクター置換、参照誘導編集 | minimax_h3_ref2va_pruned_int8_convrot |
特徴的なのはRef2VAです。1回の生成で最大12個の参照素材を扱えます。種類ごとの上限は画像9枚、動画3本、音声3本で、メディア種別ごとの合計時間は最大15秒。画像または動画を少なくとも1つ含める必要があります。画像から人物の同一性、動画から動き、音声サンプルから声を、それぞれ分けて制御できます。
Ref2VAのプロンプトは、subject_definitions、summary、<Subject 1>、<Picture 1>、<Video 1>、<Audio 1>のようなラベルを使う構造化形式です。ComfyUIでは、ハードカット、カメラワーク、1つのプロンプト内でのセリフなど、複数ショットの指示にも対応します。参照素材を多用する用途でMiniMax H3 Max APIの料金を検討しているなら、まずRef2VAを試す価値があります。同じようなショット制御に近づける、オープンウェイトでの有力な選択肢だからです。
注意点が1つあります。別の高速化LoRAを重ねて使わないでください。Flex自体が専用の6ステップ潜在スケジュールに蒸留済みです。ComfyUIガイドも、Turbo、Lightning、PTD、8-step Accを追加すると「出力が壊れる」と警告しています。蒸留前のH3向けに学習したスタイルLoRAやキャラクターLoRAは読み込める可能性がありますが、本番投入前に必ず検証してください。
APIに残された機能とローカル版の限界
ローカル版の出力は、768pとステレオ音声までです。より高い解像度、音声の分離出力、プロンプト拡張はPikaのホスト型APIで利用します。
| 機能 | ローカルのオープンウェイト | Pikaのホスト型API |
|---|---|---|
| 解像度 | 480p、768p | 480p、768p、1080p、2K、4K |
| 音声 | 32 kHzステレオのミックス音源 | ミックス音源に加え、5種類の個別WAVステム（セリフ、スコア、効果音、フォーリー、環境音） |
| プロンプト補助 | 手動 | プロンプトリライター（1回$0.02） |
| 参照動画の課金 | 対象外（計算処理のみ） | 入力と出力の秒数に対して課金 |
公開時のホスト型API料金はキャンペーン価格で、Pikaの通常料金のおよそ半額です（kie.aiによる料金情報）。
| 解像度 | キャンペーン価格・出力1秒あたり | 通常価格・出力1秒あたり | 15秒クリップのキャンペーン価格 |
|---|---|---|---|
| 480p | $0.01 | $0.02 | $0.15 |
| 768p | $0.02 | $0.04 | $0.30 |
| 1080p | $0.035 | $0.07 | $0.525 |
| 2K | $0.04 | $0.08 | $0.60 |
| 4K | $0.08 | $0.16 | $1.20 |
音声ステムは音声1秒あたり$0.001が加算されます。参照動画の入力には、入力秒数と出力秒数の両方に生成料金がかかります。画像と音声の参照素材には入力料金はかかりません。API Clubのメンバーには、10月29日から11月5日までの公開キャンペーン期間中、1日15回の無料生成が提供されました（キャンペーン条件）。
Pikaのドラフトから最終出力までのワークフロー（こちらで説明）では、まず480pまたは768pで低解像度のドラフトを生成し、採用するテイクを決めます。その後、同じ潜在シードを使って1080pから4Kまで仕上げ、支払うのは差額だけです。480pで10本のドラフトを試し、1本を4Kで仕上げる場合、キャンペーン価格ではドラフト代が$1.50、アップグレード代が$1.05で、合計$2.55です。10本すべてを4Kで仕上げる場合の$12.00と比べて大幅に安くなります。MiniMax H3を使った動画制作でシードを大量に試すなら、この仕組みによって試行錯誤のコストを抑えられます。
ライセンスには注意が必要です。アダプターはMiniMax H3の派生物としてMiniMax H3 Community License Agreementの対象で、Apache 2.0が適用されるのは推論コードだけです（ライセンスの内訳）。ベースモデルのライセンスに関する先行報道では、米国、EU、英国、韓国でのローカル展開を含む、地域および商用利用の条件が確認されています。Pikaは公開時点で追加条件を確認していませんでした。料金を受け取るクライアントワークで使う場合は、アダプターのリポジトリにあるライセンスファイルを直接確認してください。対象地域で条件が確認できるまでは、準拠可能な候補としてホスト型APIを扱うのが無難です。
H100なしでローカル実行する
Pikaの代表的なテストは、1本のクリップを単一の80 GB H100で処理したもので、複数GPUへの分割は行っていません（ハードウェア情報）。完全なダウンロード容量は約215.5 GBです。CPUオフロードを有効にすればVRAM使用量を減らせますが、その分システムメモリと転送時間が必要になります。初期ガイドの目安どおり、標準のH3が動くGPUならFlexも動作し、そこにLoRA分としておよそ2 GBが加わると考えてください。
公開初日の詳細なハードウェアレポートでは、480p・5秒の生成に66〜69 GiBのVRAMを使用し、768p・15秒ではCPUオフロードと約94 GiBのシステムメモリが必要でした。5秒・1344x768のComfyUIレンダリングは約1分です。コンシューマー環境の現実としては、24 GBカードならオフロード併用で480pのドラフトに手が届きますが、768pの長尺クリップは大量のシステムメモリを使う作業になります。
「Flexのクリップはもっと動く。H100は不要。机の上にある24GBカード1枚で動く」— @KuGeKinbakuがRTX 3090 Tiで同じプロンプトとシードを比較。Turbo 8ステップは212.61秒、Pika H3 Flex LoRAは6ステップで146.81秒、エンドツーエンドで約31%高速
テンプレートのデフォルト設定（設定の出典）によるComfyUIの基本レシピはかなり限定的です。まずはそのまま使うのがよいでしょう。
| 設定 | 値 | 理由 |
|---|---|---|
| ステップ数 | 6 | 蒸留済みスケジュール。4ステップでは細部にちらつきが出る |
| サンプラー | lcm | 学習時の設定に合う |
| シグマ | 手動、ノットは1000/750/500/250/100/40/0 | 一般的な6ステップEulerは同等ではない |
| Guider / CFG | BasicGuider、CFG 1.0 | ネガティブプロンプトの処理を省略できる |
| LoRA強度 | 1.0 | 低くすると蒸留が不完全な状態で残る |
| シフト | 動画12、音声3 | Pikaの基準値 |
テキストから動画を生成するテンプレートにはComfyUI 0.43.2以降が必要です。参照入力と始端・終端フレームのテンプレートなら0.30.0で動作します。テンプレートはWorkflow > Browse Templates > Videoに3種類あります。カスタムノードは不要です。16 GBカードで始める場合は、480p・5秒に設定し、--reserve-vram 1.5を付けて起動してください。システムメモリは64 GBあると余裕があり、他のGPU負荷が高いアプリは終了しておくべきです。
画質はどの位置にあるのか
Pika H3 Flexは、DesignArenaのテキスト・トゥ・ビデオ部門で1293 Eloからスタートしました。発表時点では総合7位で、オープンウェイトモデルとしてはトップ。MiniMax H3の1277も上回っています（ランキングのスナップショット）。同じスナップショットでは、Gemini Omni 1.1 Flashが1360、Wan 3.0が1324、FLUX 3 Maxが1297、FLUX 3 Videoが1286、Seedance 2.5が1256でした。教師モデルを16ポイント上回ったことは、映像表現が劇的に変わったというより、強い蒸留による品質低下を選好最適化で補った結果と見るのが妥当です。
Pikaが同条件の768pで実施したベンチマークでは、測定した多くの項目でFlexが優位でした（Pikaのベンチマーク表）。
| 指標 | Pika H3 Flex、6ステップ | MiniMax H3 | Fal H3 Max |
|---|---|---|---|
| 動画テクニカル | 12.3 | 11.7 | 10.6 |
| 動画の美的品質 | 5.41 | 5.28 | 5.00 |
| 音声の美的品質 | 7.02 | 6.85 | 6.89 |
| 音声・映像の整合性 | 0.212 | 0.208 | 0.216 |
ただし、これらはPika自身の測定であり、独立検証ではありません。音声・映像の整合性ではFal H3 Maxが0.216で上回っています。Pika自身も、物理表現、複数シーンのストーリーテリング、照明、素材感、アクション中心の参照タスクには弱点が残ると認めています（Pikaが挙げる制限）。djbfilmzによる6ステップと20ステップの比較など、初期テスターの結果から見える使い分けは明快です。多数のクリップでプロンプトやシードを試すならFlex、物理表現や素材感が重要な最終レンダーには20ステップの標準H3を使います。
プロンプト作成では、ComfyUIのプロンプト解説にある次のポイントが参考になります。
- カメラの動きは終点まで書く（「カメラがゆっくり寄り、彼女の顔で止まる」）。カットのタイミングは0.2〜0.3秒ほどずれることがある。
- 単なるレンズ用語ではなく、「巨大で何もないホールに小さな人物が1人いる」のように、シーンの内容で画角を指定する。
- 細かな接触動作はまだ安定しない。短い小道具上の文字ラベルは、カメラが動いても残ることがある。
- いずれにしても上限は15秒なので、複数ショットの物語は別々に生成する。
ダウンロードすべきか、APIだけ使うべきか
| 状況 | おすすめ | 理由 |
|---|---|---|
| 毎週、数十個のシードやショットを試す | LoRAをダウンロードし、480pでドラフトを作る | 6ステップのドラフトで探索時間を約3〜4分の1にでき、秒単位の課金もない |
| 4K、個別ステム、プロンプト書き換えが必要 | ホスト型API | これらの機能はローカルウェイトにはない |
| コンシューマーGPU（24 GB以下） | API、または480pのローカルドラフト | 768p・15秒のローカル生成にはオフロードと大量のRAMが必要 |
| 米国、EU、英国、韓国で商用納品 | ライセンスが確認できるまでAPI | ベースのコミュニティライセンスが、これらの地域でのローカル展開を制限している可能性がある |
| キャラクターの一貫性やモーション転送 | Ref2VAをダウンロード | 12個の参照素材を扱えることがローカル版の差別化要素 |
まずはローカルで480pのドラフトをまとめて生成し、採用したシードをホスト型APIで仕上げるのが現実的です。
Pika H3 Flex FAQ
Pika H3 Flexとは何ですか？
Pika H3 Flexは、Pikaが2026年10月29日に公開したMiniMax H3の追加学習モデルです。2種類のオープンウェイトLoRAアダプターとして提供され、同期したステレオ音声付きの5〜15秒動画を、6回のサンプリングステップで生成します。
Pika H3 FlexはMiniMax H3とどう違いますか？
MiniMax H3のアーキテクチャとベースファイルを維持しながら、教師ありファインチューニング、6ステップのPDMD蒸留、ReFLとDPOによるアライメントを追加しています。サンプリング回数を20〜50ステップから6ステップへ減らし、Pika自身のテストでは選好スコアもわずかに向上しています。
Pika H3 Flexはローカルで4K動画を生成できますか？
できません。ローカル出力は480pと768pまでです。1080p、2K、4Kの出力と5種類の個別音声ステムは、Pikaのホスト型APIでのみ利用できます。キャンペーン価格は1秒あたり$0.035〜$0.08です。
Pika H3 Flexをローカルで動かすには、どのGPUが必要ですか？
Pikaは約215 GBのダウンロードが必要な環境を、80 GB H100でテストしました。コミュニティの検証では、24 GBカードでもCPUオフロードを使えば480pを実行できます。一方、768p・15秒のレンダリングには相当量のシステムメモリが必要です。そのため、多くのコンシューマー環境では480pのドラフトを前提にするのが現実的です。
FL2VAとRef2VA、どちらのアダプターを使うべきですか？
FL2VAは、テキストから動画、画像から動画、最初または最後のフレームによる条件付けに対応します。Ref2VAは、モーション転送やキャラクター置換などの参照動画タスク向けで、画像・動画・音声を合計最大12個まで参照できます。
Pika H3 Flexは商用利用も無料ですか？
ウェイトは無料でダウンロードできますが、MiniMax H3 Community Licenseを引き継ぐため、地域や商用利用に関する条件があります。商用チームはリポジトリのライセンスファイルを確認し、Pikaが明確な見解を示すまでは、制限地域ではホスト型APIの利用を検討してください。